109 | 对话系统之经典的对话模型
洪亮劼
该思维导图由 AI 生成，仅供参考
在文本分析这个重要的环节里，我们已经分享了 Word2Vec 模型，包括模型的基本假设、模型实现以及一些比较有代表意义的扩展模型。我们还讨论了基于深度学习的文本分析模型，特别是对序列建模的深度学习利器 RNN，包括 RNN 的基本框架，流行的 RNN 模型实现，以及 RNN 在自然语言处理中的应用场景。
今天，我们要来看另外一类和文字相关的人工智能系统——对话系统的一些基础知识。
浅析对话系统
对话系统在整个人工智能领域、甚至是计算机科学领域都占据着举足轻重的地位。著名的人工智能测试，“图灵测试”，其实就是建立在某种意义的对话系统上的。在经典的图灵测试场景中，一个最主要的论述就是：看一个人和一个机器进行对话，在和这个机器系统的问答过程中，能否猜出这个系统是一个真人还是一个计算机程序系统。从这一点可以看出，即便是在计算机科学的早期，对话系统或者说是智能的对话能力，就已经成为了计算机科学家衡量智能水平的一个重要标准。
实际上，从上个世纪 50~60 年代开始，研究人员就致力于研发早期的对话系统。即便是在今天看来，在一些简单的应用中，早期的对话系统也表现出了惊人的“智能”。比如，麻省理工大学的约瑟夫·维森鲍姆（Joseph Weizenbaum）教授研发了一款叫“伊丽莎”（Eliza）的早期对话系统。尽管这个对话系统只能对语言进行最肤浅的反馈，但是在“伊丽莎”系统的使用者中，有人真的产生了这个系统有智能的幻觉。这说明对于如何界定“智能”，如何理解对话以及语言能力，这些的确是非常深邃的计算机科学乃至哲学问题。
早期的对话系统多是基于“规则”（Rule）的系统。这些系统的一大特征就是，并不只是真正的去“理解”对话，“理解”文字，而是针对某一种模式，或者说是预定好的模板，对对话进行简单的模仿。不过，如果你认为这样基于规则的系统在今天的对话系统中毫无用武之地的话，那就大错特错了。实际上，通过机器学习的手段辅以规则的方式，这样的系统能够在绝大多数的场景下表现出惊人的水平。很多机器学习背景的工程师在接触对话系统研发的时候，其实往往有轻视规则系统的这种情况。
从基于统计学习的机器学习崛起以后，研发人员就开始希望利用自然语言处理和机器学习的一系列方法，从根本上来改变对话系统的构建方式，其中有一个核心的想法，就是真正理解对话的内容，从而达到真正的智能。在实际的应用中，真正基于机器学习的系统在很长时间里都并不能完全代替基于规则的系统，直到最近几年出现了更加复杂的基于深度学习的模型，我们也会在之后的分享中对这样的系统进行一些介绍。
对话系统的类别
从方法上，对话系统可以大致分为“基于规则的系统”和“基于机器学习的系统”。除此之外，从应用场景上，对话系统也可以分为“基于任务的对话系统”和“非任务的对话系统”。
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线笔记
复制
AI
- 深入了解
- 翻译
- 解释
- 总结
对话系统一直在人工智能和计算机科学领域占据重要地位。文章介绍了对话系统的发展历程和基本架构。早期的对话系统多基于规则，模拟对话模式，而基于统计学习的机器学习方法的兴起则带来了对话系统构建方式的根本改变。对话系统可分为基于规则和基于机器学习的系统，以及基于任务和非任务的对话系统。基本架构包括语音识别、自然语言理解、对话管理、任务管理和自然语言生成等组件。对话系统的最大挑战是让系统真正具备智能。整体而言，文章介绍了对话系统的发展历史、分类和基本架构，为读者提供了对对话系统的基础背景信息。
仅可试看部分内容，如需阅读全部内容，请付费购买文章所属专栏
《AI 技术内参》，新⼈⾸单¥98
《AI 技术内参》，新⼈⾸单¥98
立即购买
© 版权归极客邦科技所有，未经许可不得传播售卖。 页面已增加防盗追踪，如有侵权极客邦将依法追究其法律责任。
登录 后留言
全部留言(5)
- 最新
- 精选
- 胡杰如果是在任务型对话系统的场景下，我认为是训练语料库的采集比较困难。2020-03-11
Jtay-dlz有针对的具有记忆能力的交流 感觉挺难2019-06-29
Jolie Liang我想应该是情感对话比较难吧2019-06-21
Henry Wang连续有意义的对话是挑战啊2018-11-03- Henry Wang连续有意义的对话是挑战2018-11-03
收起评论